本發明專利技術涉及一種有監督顯式流形學習算法進行電子鼻數據挖掘的方法。其中顯式流形學習算法對電子鼻數據進行數據挖掘的方法的步驟包括：氣體樣本的采集、氣體樣本的特征提取、確定特征值矩陣中各點的近鄰、計算任意兩特征值點的關系和顯式流形算法的數據降維。有監督的顯式流形學習算法對電子鼻數據進行數據挖掘包括上述全部步驟并在氣體樣本的特征提取后增加一步：考慮類別信息確定特征值矩陣中各點的近鄰。本發明專利技術的有益效果為：利用顯式流形學習算法進行電子鼻數據降維，給出了顯式降維表達式；利用有監督流形學習算進行電子鼻數據降維，考慮到了特征值矩陣中不同來源的各點之間的關系差異，這一細節信息的保留是電子鼻系統高判別率的保障。
【技術實現步驟摘要】
本專利技術涉及電子鼻氣體檢測領域，具體涉及一種。
技術介紹
現代電子鼻系統的氣體傳感器陣列通常包含數十個氣味傳感器，其中光學型傳感器陣列甚至包含成百上千個傳感單元，由此陣列獲得的氣體樣本數據的維數相當龐大，直接將該樣本數據輸入到人工智能算法進行模式判別的效果非常不理想，這主要是因為電子鼻的傳感器陣列具有交叉敏感性的特點，即對同一種氣體，傳感器陣列中的多個單元都會做出響應，這樣在降低因個別傳感器工作異常影響系統決策風險的同時也增加了數據的冗余度。 電子鼻數據挖掘處理包括特征提取和降維，其中特征提取是對單個傳感器獲得的數據進行處理，提取能夠表征所采集的氣體信號的特征量，構成特征值矩陣。目前特征提取方法發展的比較成熟，現有方法完全能滿足電子鼻數據特征提取的要求；降維主要是對特征值矩陣進行維數約減。因為電子鼻數據具有特殊性，因此許多傳統的降維算法在對維數進行約減的同時，常發生關鍵信息的丟失，導致電子鼻在具體應用過程中發生誤判，無法滿足其應用要求。電子鼻作為人工模擬嗅覺系統，為了使系統能夠“深刻記憶”某氣體的特征，需要大量采集該氣體樣本，同時為了使系統能夠對多種氣體進行判別，需要采集多種氣體的樣本數據供電子鼻系統訓練。由此導致用于電子鼻訓練的樣本數據具有非線性、非均勻分布的特征，傳統的數據降維算法像主成分分析((Principal Component Analysis, PCA)屬于線性降維方法，對待降維數據整體使用統一的映射處理，導致許多局部結構信息在降維過程中被丟棄，使得電子鼻因關鍵信息的丟失而做出錯誤的決策。流形學習算法是一種著眼于局部結構保持的數據降維方法，在進行降維的同時，將原數據的局部結構信息傳遞給降維后的數據，既降低了數據的冗余度又保留了關鍵信息，是一種理想的數據降維方法，但傳統的流形學習算法在對電子鼻數據進行降維的過程中出現了兩個問題I.因為流形學習算法著眼于局部結構保持，因此無法給出顯式映射表達式，這導致其只能對電子鼻系統的訓練用數據進行降維，而無法對新采集數據進行降維，導致采用流形學習算法的電子鼻系統無法應用到氣體檢測的實踐環節；2.傳統的流形學習算法是無監督算法，對電子鼻系統的訓練用數據的局部結構進行保持時，沒有考慮類內與類間特征值點之間關系的差異，這一細節信息的忽略直接導致電子鼻進行模式判別時出現錯誤。從目前的國內文獻研究中，未曾看到有關使用有監督顯式流形學習算法進行電子鼻數據挖掘的報道。
技術實現思路
本專利技術所要解決的第一個技術問題就是提供一種基于顯式流形學習算法的電子鼻數據挖掘方法，它能夠在降維過程中保持數據的局部結構并給出顯式映射表達式，使得電子鼻系統能夠用于新采集數據的判別。本專利技術所要解決的第二個技術問題就是提供一種，它能夠在降維時考慮到類內和類間特征值點的關系差異，提高電子鼻系統模式判別的正確率。為了解決本專利技術所提出的第一個技術問題，本專利技術包括以下步驟步驟I、氣體樣本的采集 調整實驗室溫、濕度環境，使得電子鼻系統的各傳感器能夠正常工作，對不同種類氣體中的每一個樣本，均進行不少于20次的氣體采集實驗，獲得電子鼻訓練用數據；步驟2、氣體樣本的特征提取對獲得的電子鼻訓練數據進行特征提取，并構成特征值矩陣X，矩陣X的維數是，其中m表示特征值點的總數，在數值上等于氣體采樣實驗的總次數，η表示每一個特征值點的維數，由傳感器陣列中傳感器個數和特征提取方法共同決定，常見的特征提取方法主要包括I、基于傳感器原始響應曲線，該類方法主要對氣體傳感器的響應曲線進行特征提取，常用的特征包括最大值、斜率、響應曲線的積分面積等；2、基于擬合曲線，該類方法首先使用適當的模型擬合原始響應曲線，然后再提取模型參數作為特征，常見的用于電子鼻數據擬合的模型有多項式模型、指數模型、分式函數豐吳型等；3、基于變換域的特征提取方法，首先對原始響應進行適當的變換，然后提取變換系數作為特征，常見的電子鼻數據變換域特征提取方法包括傅里葉變換、小波變換等；步驟3、確定特征值矩陣中各點的近鄰確定特征值矩陣中每個點的近鄰，常用的確定近鄰關系有兩種方法I、ε-bal法在以點Xi, i = 1，. . η為圓心，以ε為半徑的范圍內的所有點都是Xi的近鄰；2、k-nearest法離點Xi最近的k個點是Xi的近鄰且k < η ;步驟4、計算任意兩特征值點的關系如果特征值矩陣X中點\是Xi的近鄰點，那么兩者之間的關系Wu按照某一規則取一個不為零的正數且Xi與的關系越緊密Wu的值就越大；如果特征值點\不是Xi的近鄰點，那么兩者之間的關系Wu = O ；步驟5、顯式流形學習算法的數據降維Yt=AXt其中，Yt是低維目標矩陣Y的轉置形式，矩陣Y的維數是，m表示點的總數，等于矩陣X中特征值點的總數，I表示每一個點的維數且I < n，A是顯式映射系數矩陣，特征值矩陣中的點Xi和點\的近鄰關系通過Wu傳遞給目標矩陣Y中的點yi和點yp常用的近鄰關系傳遞方法如下式所示權利要求1.基于顯式流形學習算法的電子鼻數據挖掘方法，其特征是，該方法包括以下步驟 步驟1、氣體樣本的采集 調整實驗室溫、濕度環境，使得電子鼻系統的各傳感器能夠正常工作，對不同種類氣體中的每一個樣本，均進行不少于20次的氣體采集實驗，獲得電子鼻訓練用數據； 步驟2、氣體樣本的特征提取 對獲得的電子鼻訓練數據進行特征提取，并構成特征值矩陣X，矩陣X的維數是，其中m表示特征值點的總數，在數值上等于氣體采樣實驗的總次數，η表示每一個特征值點的維數，由傳感器陣列中傳感器個數和特征提取方法共同決定，常見的特征提取方法主要包括 1、基于傳感器原始響應曲線，該類方法主要對氣體傳感器的響應曲線進行特征提取，常用的特征包括最大值、斜率、響應曲線的積分面積等； 2、基于擬合曲線，該類方法首先使用適當的模型擬合原始響應曲線，然后再提取模型參數作為特征，常見的用于電子鼻數據擬合的模型有多項式模型、指數模型、分式函數模型等; 3、基于變換域的特征提取方法，首先對原始響應進行適當的變換，然后提取變換系數作為特征，常見的電子鼻數據變換域特征提取方法包括傅里葉變換、小波變換等； 步驟3、確定特征值矩陣中各點的近鄰 確定特征值矩陣中每個點的近鄰，常用的確定近鄰關系有兩種方法 1、ε-ball法在以點Xi,i = 1，. . η為圓心，以ε為半徑的范圍內的所有點都是Xi的近鄰； 2、k-nearest法離點Xi最近的k個點是Xi的近鄰且k< n ; 步驟4、計算任意兩特征值點的關系 如果特征值矩陣X中點\是Xi的近鄰點，那么兩者之間的關系《U按照某一規則取一個不為零的正數且Xi與\的關系越緊密Wu的值就越大；如果特征值點xj不是Xi的近鄰點，那么兩者之間的關系wi;j = O ； 步驟5、顯式流形學習算法的數據降維Yt=AXt 其中，Yt是低維目標矩陣Y的轉置形式，矩陣Y的維數是，m表示點的總數，等于矩陣X中特征值點的總數，I表示每一個點的維數且I < n，A是顯式映射系數矩陣，特征值矩陣中的點Xi和點\的近鄰關系通過Wu傳遞給目標矩陣Y中的點yi和點yp常用的近鄰關系傳遞方法如下式所示 其中，Yi和點y3分別是目標矩陣Y中元素且i幸j，若特征值矩陣X中點Xi和\是近鄰本文檔來自技高網...
【技術保護點】
基于顯式流形學習算法的電子鼻數據挖掘方法，其特征是，該方法包括以下步驟：步驟1、氣體樣本的采集調整實驗室溫、濕度環境，使得電子鼻系統的各傳感器能夠正常工作，對不同種類氣體中的每一個樣本，均進行不少于20次的氣體采集實驗，獲得電子鼻訓練用數據；步驟2、氣體樣本的特征提取對獲得的電子鼻訓練數據進行特征提取，并構成特征值矩陣X，矩陣X的維數是[m×n]，其中m表示特征值點的總數，在數值上等于氣體采樣實驗的總次數，n表示每一個特征值點的維數，由傳感器陣列中傳感器個數和特征提取方法共同決定，常見的特征提取方法主要包括：1、基于傳感器原始響應曲線，該類方法主要對氣體傳感器的響應曲線進行特征提取，常用的特征包括：最大值、斜率、響應曲線的積分面積等；2、基于擬合曲線，該類方法首先使用適當的模型擬合原始響應曲線，然后再提取模型參數作為特征，常見的用于電子鼻數據擬合的模型有多項式模型、指數模型、分式函數模型等；3、基于變換域的特征提取方法，首先對原始響應進行適當的變換，然后提取變換系數作為特征，常見的電子鼻數據變換域特征提取方法包括：傅里葉變換、小波變換等；步驟3、確定特征值矩陣中各點的近鄰確定特征值矩陣中每個點的近鄰，常用的確定近鄰關系有兩種方法：1、ε？ball法：在以點xi,i＝1,..n為圓心，以ε為半徑的范圍內的所有點都是xi的近鄰；2、k？nearest法：離點xi最近的k個點是xi的近鄰且k＜n；步驟4、計算任意兩特征值點的關系如果特征值矩陣X中點xj是xi的近鄰點，那么兩者之間的關系wi,j按照某一規則取一個不為零的正數且xi與xj的關系越緊密wi,j的值就越大；如果特征值點xj不是xi的近鄰點，那么兩者之間的關系wi,j＝0；步驟5、顯式流形學習算法的數據降維YT=AXT其中，YT是低維目標矩陣Y的轉置形式，矩陣Y的維數是[m×l]，m表示點的總數，等于矩陣X中特征值點的總數，l表示每一個點的維數且l＜n，A是顯式映射系數矩陣，特征值矩陣中的點xi和點xj的近鄰關系通過wi,j傳遞給目標矩陣Y中的點yi和點yj，常用的近鄰關系傳遞方法如下式所示：minΣi,j(yi-yj)2wi,j其中，yi和點yj分別是目標矩陣Y中元素且i≠j，若特征值矩陣X中點xi和xj是近鄰且兩者距離越近，其近鄰關系wi,j的值就會越大，此時上式要取最小值，則(yi？yj)2項的值就必須盡量的小，如此，將特征值矩陣中的點xi和點xj的近鄰關系傳遞給了目標矩陣Y中的點yi和點yj，然后通過求解上式所描述的最優化問題得到顯式映射系數矩陣A，得到顯式映射表達式并完成降維。...
【技術特征摘要】
【專利技術屬性】
技術研發人員：田逢春，賈鵬飛，樊澍，馮敬偉，劉濤，劉穎，趙貞貞，
申請(專利權)人：重慶大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。